Page 6 -

이 책의 구성

‘출제 의도 → 판단 기준 → 오답 제거 → 정답 선택’ 구성으로 시험에서 필요한 핵심 판단 기준
을 먼저 이해하고 이를 반복적으로 적용하며 학습하도록 구성했습니다.

PART 1 인인공공지지능능
이 이론론
이 파트에서는 인공지능(AI)·머신러닝(ML)·딥러닝(DL)의 포함
관계와 인공지능 및 신경망의 역사, 핵심 알고리즘(SVM·CNN
·RNN 등) 그리고 성능 평가 지표(정밀도·재현율·F1 score 등)를
실전 관점에서 정리한다. 시험에서 자주 헷갈리는 개념을 빠르게
분별하고, 표·그림·성능지표를 해석하는 힘을 기른다.
이 파트에서 다루는 것 출제 맵
•인공지능의 이해(개념 · 분류 · 학습유형) 영역 출제 비중
•인공지능 및 신경망의 역사(연도–사건 매칭) 정의·관계 29%
• 핵심 알고리즘 요약(로지스틱회귀, SVM · kNN · 나이브베이 역사 21%
즈 · 의사결정트리/랜덤포레스트 · CNN · RNN/LSTM emd)
알고리즘 매칭 21%
•성능평가 지표(Accuracy · Precision · Recall · F1 score) 지표·계산·해석 29%
(※ 회차별 난도에 따라 변동 가능)
학습 목표 시험 포인트 & 오답트랩
1. AI · ML · DL의 포함 관계와 학습 유형을 정확히 구분한다. •포함 관계 ‘역전’ 오답( “DL이 ML의 상위”) 구별
2. 알고리즘과 대표 적용 분야를 연결해 설명한다. •학습 유형 혼동(지도↔비지도↔강화) 방지
3. 혼동행렬을 이용해 정확도(Accuracy) · 정밀도(Precision) · 재 •알고리즘–적용 매칭(SVM–분류, CNN–이미지, RNN–시계열)
현율(Recall) · F1-score와 같은 AI 성능평가 지표를 계산 · 해석 • 지표 계산 반올림 규칙(소수 둘째 자리) / 정밀도↔FP, 재현 C CHHAAPPTTEERR ::
한다. 율↔FN
4. 간단한 표·그림을 보고 더 적합한 모델을 선택한다. •성능표 해석에서 정확도 vs F1 혼동
01 인공지능의 이해
02 인공지능 및 신경망의 역사
03 인공지능 핵심 알고리즘 이해
04 인공지능 성능 평가
14 PART 1. 인공지능 이론 CHAPTER 01. 인공지능의 이해 15
각 파트의 시작에서는 학습 목표, 시험 포인트, 오답 트랩을 먼저 제시하여
2026. 5. 13. 오전 11:26
2026 AI-POT 파트1(014~065)_ej3.indd 14
2026. 5. 13. 오전 11:25
2026 AI-POT 파트1(014~065)_ej3.indd 14 2026. 5. 13. 오전 11:26 2026 AI-POT 파트1(014~065)_ej3.indd 152026 AI-POT 파트1(014~065)_ej3.indd 15 2026. 5. 13. 오전 11:25
무엇을 어떻게 공부해야 하는지 방향을 잡을 수 있습니다.
01 구분 (인공지능) (머신러닝, 기계학습) (딥러닝) AI는 항상 데이터로 학습한 구분 AI(인공지능) (머신러닝, 기계학습) DL(딥러닝)
CHAPTER 인공지능의 이해 AI·ML·DL 비교 오답트랩 •Table 1 AI·ML·DL 비교
ML
DL
AI
ML
정의 인간 지능 모방 데이터 학습 신경망 기반 ML 다? X, 규칙 기반도 AI 정의 인간 지능 모방 데이터 학습 신경망 기반 ML
특징 규칙 / 휴리스틱 포함 지도/비지도/강화 학습 CNN/RNN 등 심층 구조
이 장에서는 수험생이 가장 많이 헷갈리는 인공지능(AI) · 머신러닝(ML) · 딥러닝(DL)의 포함 관계와 학습 유형(지도/ 특징 규칙 · 휴리스틱 포함 지도/비지도/강화 학습 CNN/RNN등 심층 구조
비지도/강화)을 문항 중심으로 정리한다. 여기에 생성형 AI vs 검색엔진, Agentic AI vs ICL, Train/Val/Test 파이프라
인을 실전 관점에서 소개한다.
Q1. 다음 중 포함 관계로 옳은 것을 고르시오.
① ML⊃AI⊃DL ② DL⊃ML⊃AI ③ AI⊃ML⊃DL ④ AI=ML=DL
01
SECTION 01 인공지능 개념과 분류 Q2. 규칙 기반 전문가 시스템은 AI 범주에 포함되는가? (예/아니오) 정답_ Q1. ③ Q2. 예
01 l AI-ML-DL 포함 관계 02 l 문제 유형에 따른 분류
01
02
(1) 인공지능(AI, Artificial Intelligent): 컴퓨터가 사람처럼 학습·추론·문제 해
(1) 분류(Classification): 이메일이 ‘스팸/정상’인지, 사진이 ‘고양이/개’인지 범주
결을 하도록 만드는 가장 넓은 개념이다. 규칙 기반 시스템(전문가 시스템)도
를 예측한다.
AI에 포함된다.( 체스 규칙을 코드로 넣은 프로그램, 룰(rule) 기반 챗봇)
(2) 머신러닝(ML, Machine Learning): 컴퓨터가 데이터 규칙을 스스로 학습해 기준선
예측·분류 등을 수행하는 AI 하위 분야이다. 사람이 “규칙을 일일이 코딩”하
정상 정상 강아 스팸 스팸 고양
지 않아도 된다.( 스팸 필터(스팸/정상 메일 예시로 학습)) 지 이
(3) 딥러닝(DL, Deep Learning): 인공신경망을 사용해 복잡한 패턴을 학습하는
머신러닝(ML)의 세부 기법이다. 이미지·음성·자연어처럼 고차원·대규모 데
데이터가 어떤 범주(스팸/정상, 개/고양이)에 속하는지 판별합니다.
이터에 강하다.( 얼굴인식, 음성인식, 대형언어모델(LLM))
(2) 회귀(Regression): 아파트 가격, 내일 기온 등 숫자를 예측한다.
전문가의 조언! •AI 계층 구조(AI⊃ML⊃DL)
포함 관계를 먼저 그림으로 AI(인공지능) 예측값: 키, 몸무게
정리해 두고, 각 단계의 대표
예시를 함께 외우면 기억에 인간의 지능적 활동(학습/추론/문제해결)을 모방하는 광범위한 체계
훨씬 오래 남습니다. 단순히
정의를 따로따로 외우기보 ML(머신러닝, 기계학습)
다는 “AI ⊃ ML ⊃ DL” 구조
속에 CNN·RNN 같은 키워드 데이터를 통해 패턴을 학습하여 예측, 분류를 수행하는 AI 하위 영역
를 묶어 두면 시험에서 개념
이 헷갈리는 일을 줄일 수 있 DL(딥러닝)
습니다. 데이터(몸무게)의 추세를 파악하여 연속적인 숫자(키)를 예측합니다.
인공신경망 기반 ML 세부 기법으로 대규모 데이터 및 복잡한 패턴에 강점
(3) 군집화(Clustering): 고객을 유사한 특성에 따라 자동으로 묶으며, 레이블
(label)은 존재하지 않는다.
16 PART 1. 인공지능 이론 CHAPTER 01. 인공지능의 이해 17
핵심 개념 설명과 함께 전문가의 조언, 1분 체크, 오답 트랩 코너를 통해
2026 AI-POT 파트1(014~065)_ej1.indd 16
2026. 3. 27. 오후 3:21
2026 AI-POT 파트1(014~065)_ej1.indd 16 2026. 3. 27. 오후 3:21 2026. 3. 27. 오후 3:21
2026. 3. 27. 오후 3:21 2026 AI-POT 파트1(014~065)_ej1.indd 172026 AI-POT 파트1(014~065)_ej1.indd 17
중요한 내용을 정리하고, 문제 해결 과정에서 오답을 구분하고 제거하는 능력을
강화하도록 구성되어 있습니다.
6
2026 AI-POT 부속(001~013)_ej3.indd 6 2026. 5. 18. 오후 1:05
2026. 5. 18. 오후 1:05
2026 AI-POT 부속(001~013)_ej3.indd 6